本申請涉及檢測
技術領域：
，更具體地涉及一種故障檢測方法和系統(tǒng)。
背景技術：
：隨著現(xiàn)代化生產的發(fā)展和科學技術的進步，現(xiàn)代生產設備向大規(guī)模、復雜化和自動化的方向發(fā)展，工業(yè)過程變得越來越復雜，一旦發(fā)生異常，就可能對生產安全、效率或產品質量造成不良的影響，所以對工業(yè)生產的操作狀態(tài)監(jiān)督、過程變化和故障檢測等過程監(jiān)控提出了更高的要求。由于實際工業(yè)過程中，不確定因素多且過程復雜，一般包括非線性、時變、變量耦合、時間相關性、多模態(tài)、多時段、大規(guī)模等特性，使其難以建立精確的過程模型。但是工業(yè)過程中產生的大量數(shù)據能被用來分析去判斷過程中是否有故障發(fā)生，所以基于這些數(shù)據的故障檢測方法被廣泛用于工業(yè)過程中，對系統(tǒng)運行狀態(tài)和異常情況進行監(jiān)視及診斷，對故障類型、故障部位及原因進行檢測，最終給出解決方案，實現(xiàn)正常運作，為系統(tǒng)故障恢復提供依據。目前，故障檢測技術主要包括基于多元統(tǒng)計理論的故障檢測技術、基于支持向量數(shù)據描述SVDD的故障檢測技術和基于密度誘導支持向量數(shù)據描述DSVDD的故障檢測技術?；诙嘣y(tǒng)計理論的故障檢測技術已被廣泛應用于工業(yè)生產系統(tǒng)中，其基本思想是直接利用工業(yè)過程中采集的數(shù)據進行故障檢測，通過對變換后的低維數(shù)據進行統(tǒng)計分析，給出一些有意義的表征系統(tǒng)的狀態(tài)數(shù)值。但是，基于多元統(tǒng)計理論的故障檢測技術是在過程數(shù)據滿足高斯分布且變量之間是線性的假設條件下進行的?；谥С窒蛄繑?shù)據描述SVDD的故障檢測技術是采用支持向量數(shù)據描述建立基于正常數(shù)據的一類分類器去檢測故障，該方法需要建立一個盡可能小的超球體去包含盡可能多的已知的正常樣本，在處理異常檢測問題中，根據數(shù)據的特性可分為兩種情況：一種情況是只包含正常樣本；另一種情況是除了正常的樣本，還包含小數(shù)量級的異常樣本。與基于多元統(tǒng)計理論的故障檢測技術相比較，基于支持向量數(shù)據描述SVDD的故障檢測技術擺脫了變量間線性關系的假設，但是SVDD的超球面完全是由支持向量決定的，忽略了大部分的非支持向量。為了彌補SVDD沒有考慮到數(shù)據分布的情況，基于密度誘導支持向量數(shù)據描述DSVDD的故障檢測技術通過引入相對密度的概念來體現(xiàn)正常訓練數(shù)據集中數(shù)據的密度分布。但是基于密度誘導支持向量數(shù)據描述DSVDD的故障檢測技術的穩(wěn)定性很差，在DSVDD中的關鍵參數(shù)T的取值不恰當時，會嚴重降低故障檢測的性能。技術實現(xiàn)要素：有鑒于此，本發(fā)明提供了一種故障檢測方法和系統(tǒng)，以提高基于密度誘導支持向量數(shù)據描述的故障檢測方法的穩(wěn)定性，保證高效的故障檢測性能。為實現(xiàn)上述目的，本發(fā)明提供如下技術方案：一種故障檢測方法，包括：對預先收集的工業(yè)過程中的正常訓練數(shù)據進行標準化預處理，并計算經過所述標準化預處理后的所述正常訓練數(shù)據的相對密度；根據經過所述標準化預處理后的所述正常訓練數(shù)據和所述相對密度建立訓練樣本數(shù)據集；為所述訓練樣本數(shù)據集建立密度誘導支持向量數(shù)據描述模型，對所述密度誘導支持向量數(shù)據描述模型的參數(shù)T進行定值處理，令所述參數(shù)T為所述相對密度的平均值，并利用所述密度誘導支持向量數(shù)據描述模型檢測在工業(yè)過程中收集的測試數(shù)據是否為故障數(shù)據。優(yōu)選地，所述利用所述密度誘導支持向量數(shù)據描述模型檢測在工業(yè)過程中收集的測試數(shù)據是否為故障數(shù)據，包括：實時收集工業(yè)過程中的測試數(shù)據，并對所述測試數(shù)據進行標準化預處理；計算經過所述標準化預處理后的所述測試數(shù)據到所述密度誘導支持向量數(shù)據描述模型的球心的距離；根據所述密度誘導支持向量數(shù)據描述模型的半徑，對經過所述標準化預處理后的所述測試數(shù)據到所述密度誘導支持向量數(shù)據描述模型的球心的所述距離進行歸一化處理，并根據經過所述歸一化處理后的數(shù)據判斷所述測試數(shù)據是否為故障數(shù)據。優(yōu)選地，所述根據經過所述歸一化處理后的數(shù)據判斷所述測試數(shù)據是否為故障數(shù)據，包括：判斷經過所述歸一化處理后的數(shù)據是否大于1；如果大于1，所述測試數(shù)據是故障數(shù)據，否則所述測試數(shù)據不是故障數(shù)據。一種故障檢測系統(tǒng)，包括：處理模塊，用于對預先收集的工業(yè)過程中的正常訓練數(shù)據進行標準化預處理，并計算經過所述標準化預處理后的所述正常訓練數(shù)據的相對密度；建立模塊，用于根據經過所述標準化預處理后的所述正常訓練數(shù)據和所述相對密度建立訓練樣本數(shù)據集；檢測模塊，用于為所述訓練樣本數(shù)據集建立密度誘導支持向量數(shù)據描述模型，對所述密度誘導支持向量數(shù)據描述模型的參數(shù)T進行定值處理，令所述參數(shù)T為所述相對密度的平均值，并利用所述密度誘導支持向量數(shù)據描述模型檢測在工業(yè)過程中收集的測試數(shù)據是否為故障數(shù)據。優(yōu)選地，所述檢測模塊，包括：處理單元，用于實時收集工業(yè)過程中的測試數(shù)據，并對所述測試數(shù)據進行標準化預處理；計算單元，用于計算經過所述標準化預處理后的所述測試數(shù)據到所述密度誘導支持向量數(shù)據描述模型的球心的距離；判斷單元，用于根據所述密度誘導支持向量數(shù)據描述模型的半徑，對經過所述標準化預處理后的所述測試數(shù)據到所述密度誘導支持向量數(shù)據描述模型的球心的所述距離進行歸一化處理，并根據經過所述歸一化處理后的數(shù)據判斷所述測試數(shù)據是否為故障數(shù)據。優(yōu)選地，所述判斷單元，具體用于：判斷經過所述歸一化處理后的數(shù)據是否大于1；如果大于1，所述測試數(shù)據是故障數(shù)據，否則所述測試數(shù)據不是故障數(shù)據。經由上述的技術方案可知，與現(xiàn)有技術相比，本發(fā)明公開了一種故障檢測方法和系統(tǒng)，對預先收集的工業(yè)過程中的正常訓練數(shù)據進行標準化預處理，并計算經過所述標準化預處理后的所述正常訓練數(shù)據的相對密度；根據經過所述標準化預處理后的所述正常訓練數(shù)據和所述相對密度建立訓練樣本數(shù)據集；為所述訓練樣本數(shù)據集建立密度誘導支持向量數(shù)據描述模型，對所述密度誘導支持向量數(shù)據描述模型的參數(shù)T進行定值處理，令所述參數(shù)T為所述相對密度的平均值，并利用所述密度誘導支持向量數(shù)據描述模型檢測在工業(yè)過程中收集的測試數(shù)據是否為故障數(shù)據。本申請?zhí)峁┑募夹g方案對密度誘導支持向量數(shù)據描述模型中的參數(shù)T提供了定值選取方案，令所述參數(shù)T為所述相對密度的平均值，從而可以提高基于密度誘導支持向量數(shù)據描述的故障檢測方法的穩(wěn)定性，保證高效的故障檢測性能。附圖說明為了更清楚地說明本申請實施例或現(xiàn)有技術中的技術方案，下面將對實施例或現(xiàn)有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本申請的實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據提供的附圖獲得其他的附圖。圖1示出了本發(fā)明一個實施例公開的一種故障檢測方法的流程示意圖；圖2示出了本發(fā)明一個實施例公開的一種故障檢測系統(tǒng)的結構示意圖；圖3提供了不同T值對應的密度誘導支持向量數(shù)據描述模型的平均故障檢測率的對比圖。具體實施方式下面將結合本申請實施例中的附圖，對本申請實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本申請一部分實施例，而不是全部的實施例。基于本申請中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本申請保護的范圍。參見圖1示出了本發(fā)明一個實施例公開的一種故障檢測方法的流程示意圖。由圖1可知，該方法包括：S101：對預先收集的工業(yè)過程中的正常訓練數(shù)據進行標準化預處理，并計算經過所述標準化預處理后的所述正常訓練數(shù)據的相對密度；在本申請實施例中，可以采用標準化公式對預先收集的工業(yè)過程中的正常訓練數(shù)據進行標準化預處理，得到經過所述標準化預處理后的正常訓練數(shù)據xi；其中，i＝1,2,...,n，n為正常訓練數(shù)據的總個數(shù)，為xi的均值，σ為xi的標準差；采用相對密度計算公式計算經過所述標準化預處理后的所述正常訓練數(shù)據的相對密度ρi；其中，是xi的第K個近鄰，是xi到的距離，是平均距離；S102：根據經過所述標準化預處理后的所述正常訓練數(shù)據和所述相對密度建立訓練樣本數(shù)據集；在本申請實施例中，根據所述正常訓練數(shù)據經過所述標準化預處理后的所述正常訓練數(shù)據xi和所述相對密度ρi建立訓練樣本數(shù)據集S103：為所述訓練樣本數(shù)據集建立密度誘導支持向量數(shù)據描述模型，對所述密度誘導支持向量數(shù)據描述模型的參數(shù)T進行定值處理，令所述參數(shù)T為所述相對密度的平均值，并利用所述密度誘導支持向量數(shù)據描述模型檢測在工業(yè)過程中收集的測試數(shù)據是否為故障數(shù)據。在本申請實施例中，采用核函數(shù)k(xj,xi)，為所述訓練樣本數(shù)據集建立密度誘導支持向量數(shù)據描述模型，并獲得所述密度誘導支持向量數(shù)據描述模型的模型系數(shù)αi,i＝1,…,n及所述密度誘導支持向量數(shù)據描述模型的半徑R，對參數(shù)T進行定值處理，令所述參數(shù)T為所述相對密度的平均值，即取然后即可利用所述密度誘導支持向量數(shù)據描述模型檢測在工業(yè)過程中收集的測試數(shù)據是否為故障數(shù)據。在本申請實施例中，所述利用所述密度誘導支持向量數(shù)據描述模型檢測在工業(yè)過程中收集的測試數(shù)據是否為故障數(shù)據，包括：實時收集工業(yè)過程中的測試數(shù)據，并對所述測試數(shù)據進行標準化預處理；計算經過所述標準化預處理后的所述測試數(shù)據到所述密度誘導支持向量數(shù)據描述模型的球心的距離；根據所述密度誘導支持向量數(shù)據描述模型的半徑，對經過所述標準化預處理后的所述測試數(shù)據到所述密度誘導支持向量數(shù)據描述模型的球心的所述距離進行歸一化處理，并根據經過所述歸一化處理后的數(shù)據判斷所述測試數(shù)據是否為故障數(shù)據。具體的，在利用所述密度誘導支持向量數(shù)據描述模型檢測在工業(yè)過程中收集的測試數(shù)據是否為故障數(shù)據時：首先，實時收集工業(yè)過程中的測試數(shù)據，并對所述測試數(shù)據進行標準化預處理；然后，計算經過所述標準化預處理后的所述測試數(shù)據xj到所述密度誘導支持向量數(shù)據描述模型的球心的距離Rj2，其中，j＝1,2,...,m，m為所述測試數(shù)據的總個數(shù)，αi,i＝1,…,n為所述密度誘導支持向量數(shù)據描述模型的模型系數(shù)；最后，根據所述密度誘導支持向量數(shù)據描述模型的半徑R，歸一化處理經過所述標準化預處理后的所述測試數(shù)據到所述密度誘導支持向量數(shù)據描述模型的球心的距離Rj2，得到所述歸一化處理后的數(shù)據并根據經過所述歸一化處理后的數(shù)據判斷所述測試數(shù)據是否為故障數(shù)據；進一步的，根據經過所述歸一化處理后的數(shù)據判斷所述測試數(shù)據是否為故障數(shù)據，包括：判斷經過所述歸一化處理后的數(shù)據是否大于1；如果大于1，所述測試數(shù)據是故障數(shù)據，即Dj＞1時，則xj為故障數(shù)據；否則所述測試數(shù)據不是故障數(shù)據，即如果Dj≤1，則說明測試數(shù)據在所述密度誘導支持向量數(shù)據描述模型的超球面內，此時xj為正常數(shù)據。經由上述的技術方案可知，本申請實施例公開的故障檢測方法，對預先收集的工業(yè)過程中的正常訓練數(shù)據進行標準化預處理，并計算經過所述標準化預處理后的所述正常訓練數(shù)據的相對密度；根據經過所述標準化預處理后的所述正常訓練數(shù)據和所述相對密度建立訓練樣本數(shù)據集；為所述訓練樣本數(shù)據集建立密度誘導支持向量數(shù)據描述模型，對所述密度誘導支持向量數(shù)據描述模型的參數(shù)T進行定值處理，令所述參數(shù)T為所述相對密度的平均值，并利用所述密度誘導支持向量數(shù)據描述模型檢測在工業(yè)過程中收集的測試數(shù)據是否為故障數(shù)據。本申請?zhí)峁┑募夹g方案對密度誘導支持向量數(shù)據描述模型中的參數(shù)T提供了定值選取方案，令所述參數(shù)T為所述相對密度的平均值，從而可以提高基于密度誘導支持向量數(shù)據描述的故障檢測方法的穩(wěn)定性，保證高效的故障檢測性能。參見圖2示出了本發(fā)明一個實施例公開的一種故障檢測系統(tǒng)的結構示意圖。由圖2可知，該系統(tǒng)包括：處理模塊1，用于對預先收集的工業(yè)過程中的正常訓練數(shù)據進行標準化預處理，并計算經過所述標準化預處理后的所述正常訓練數(shù)據的相對密度；建立模塊2，用于根據經過所述標準化預處理后的所述正常訓練數(shù)據和所述相對密度建立訓練樣本數(shù)據集；檢測模塊3，用于為所述訓練樣本數(shù)據集建立密度誘導支持向量數(shù)據描述模型，對所述密度誘導支持向量數(shù)據描述模型的參數(shù)T進行定值處理，令所述參數(shù)T為所述相對密度的平均值，并利用所述密度誘導支持向量數(shù)據描述模型檢測在工業(yè)過程中收集的測試數(shù)據是否為故障數(shù)據。優(yōu)選地，所述檢測模塊3，包括：處理單元，用于實時收集工業(yè)過程中的測試數(shù)據，并對所述測試數(shù)據進行標準化預處理；計算單元，用于計算經過所述標準化預處理后的所述測試數(shù)據到所述密度誘導支持向量數(shù)據描述模型的球心的距離；判斷單元，用于根據所述密度誘導支持向量數(shù)據描述模型的半徑，對經過所述標準化預處理后的所述測試數(shù)據到所述密度誘導支持向量數(shù)據描述模型的球心的所述距離進行歸一化處理，并根據經過所述歸一化處理后的數(shù)據判斷所述測試數(shù)據是否為故障數(shù)據。優(yōu)選地，所述判斷單元，具體用于：判斷經過所述歸一化處理后的數(shù)據是否大于1；如果大于1，所述測試數(shù)據是故障數(shù)據，否則所述測試數(shù)據不是故障數(shù)據。需要說明的是，本申請中的系統(tǒng)實施例提供的故障檢測系統(tǒng)可以采用上述方法實施例中的故障檢測方法，可以用于實現(xiàn)上述方法實施例中的全部技術方案，其各個功能模塊的功能可以根據上述方法實施例中的方法具體實現(xiàn)，其具體實現(xiàn)過程可參照上述實施例中的相關描述，此處不再贅述。下面對本發(fā)明的實例作詳細說明：本實例在以本發(fā)明技術方案為前提下進行實施，給出了詳細的實施方式和過程，但本發(fā)明的保護范圍不限于下述的實例。本發(fā)明在田納西伊斯曼過程(Tennessee-EastmanProcess，TEP)數(shù)據集上進行了測試。TEP數(shù)據集中包含正常數(shù)據集和21種不同故障的數(shù)據集。對于每一種故障，測試集有960個觀測數(shù)據組成，每個觀測數(shù)據包含52個變量，測試集的數(shù)據以正常數(shù)據開始，到第161次采樣出現(xiàn)故障，所有的數(shù)據每隔3分鐘采樣一次，所有數(shù)據均由TEP仿真軟件生成。我們取正常數(shù)據集中的共1460個數(shù)據作為訓練集的輸入，對每種故障的測試集進行故障檢測。具體實施步驟如下：一、密度誘導支持向量數(shù)據描述模型的建立過程：1)對已經收集到的工業(yè)過程中的正常訓練數(shù)據xi，i＝1,2,...,n，進行標準化預處理，其中n為訓練樣本的總個數(shù)，這里n＝1460。標準化公式為xi=xi-x‾σ]]>其中為xi的均值，σ為xi的標準差。2)計算正常訓練數(shù)據xi的相對密度ρi，計算公式如下：ρi=exp(DKD(xi,xiK))]]>其中是xi的第K個近鄰，這里的K取5，是xi到的距離，即為每個訓練數(shù)據xi到的距離，是平均距離，即3)對參數(shù)T進行定值處理，取數(shù)據集上求得的T＝1.0068。4)選用核函數(shù)k(xj,xi)，本實例中選用RBF核函數(shù)，對訓練樣本數(shù)據集建立起密度誘導支持向量數(shù)據描述模型，獲得模型系數(shù)αi,i＝1,…,1460，及模型的半徑R。二、利用所述密度誘導支持向量數(shù)據描述模型檢測在工業(yè)過程中收集的測試數(shù)據是否為故障數(shù)據的過程：1)實時收集工業(yè)過程測試數(shù)據xj(j＝1,2,...,m，m為測試數(shù)據的個數(shù))，并按照訓練模塊1)步驟將數(shù)據標準化。本實例中選取21種故障的測試集，每種故障有960個觀測數(shù)據，則m＝960。2)計算測試數(shù)據到模型球心的距離Rj2，計算公式如下：Rj2=k(xj,xj)-2TΣiαiρik(xj,xi)+1T2Σp=1nΣq=1nαpαqρpρqk(xp,xq),]]>3)歸一化測試樣本點到超球面球心的距離建立檢測規(guī)則:如果Dj≤1，則xj為正常數(shù)據；如果Dj＞1，則xj為故障數(shù)據。本發(fā)明的效果可以通過如下實驗驗證：通過本發(fā)明提出的參數(shù)T的定值方法，以TEP的正常數(shù)據集為正常訓練數(shù)據，取10個T值，與T＝1.0068分別建立DSVDD模型，對21種故障進行檢測，平均檢測結果如圖3，可以看出本發(fā)明提出的定參數(shù)密度誘導支持向量數(shù)據描述的故障檢測方法能獲得更高的平均故障檢測率。而對于像故障3、9、15這類測試樣本的方差、均值或高階矩陣上基本沒有變化的數(shù)據集來說，由于DSVDD由于考慮了訓練樣本間的密度分布，比SVDD在檢測故障時更具優(yōu)勢，從表1就可以看出，DSVDD有更高的故障檢測率。故障類型SVDDDSVDD故障348.19％48.56％故障942.31％47.56％故障1560.75％64.56％表1不同故障CSVDD和DSVDD故障檢測率為了描述的方便，描述以上系統(tǒng)時以功能分為各種模塊分別描述。當然，在實施本申請時可以把各模塊的功能在同一個或多個軟件和/或硬件中實現(xiàn)。本說明書中的各個實施例均采用遞進的方式描述，各個實施例之間相同相似的部分互相參見即可，每個實施例重點說明的都是與其他實施例的不同之處。尤其，對于系統(tǒng)或系統(tǒng)實施例而言，由于其基本相似于方法實施例，所以描述得比較簡單，相關之處參見方法實施例的部分說明即可。以上所描述的系統(tǒng)及系統(tǒng)實施例僅僅是示意性的，其中所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個地方，或者也可以分布到多個網絡單元上?？梢愿鶕嶋H的需要選擇其中的部分或者全部模塊來實現(xiàn)本實施例方案的目的。本領域普通技術人員在不付出創(chuàng)造性勞動的情況下，即可以理解并實施。專業(yè)人員還可以進一步意識到，結合本文中所公開的實施例描述的各示例的單元及算法步驟，能夠以電子硬件、計算機軟件或者二者的結合來實現(xiàn)，為了清楚地說明硬件和軟件的可互換性，在上述說明中已經按照功能一般性地描述了各示例的組成及步驟。這些功能究竟以硬件還是軟件方式來執(zhí)行，取決于技術方案的特定應用和設計約束條件。專業(yè)技術人員可以對每個特定的應用來使用不同方法來實現(xiàn)所描述的功能，但是這種實現(xiàn)不應認為超出本發(fā)明的范圍。結合本文中所公開的實施例描述的方法或算法的步驟可以直接用硬件、處理器執(zhí)行的軟件模塊，或者二者的結合來實施。軟件模塊可以置于隨機存儲器(RAM)、內存、只讀存儲器(ROM)、電可編程ROM、電可擦除可編程ROM、寄存器、硬盤、可移動磁盤、CD-ROM、或
技術領域：
內所公知的任意其它形式的存儲介質中。還需要說明的是，在本文中，諸如第一和第二等之類的關系術語僅僅用來將一個實體或者操作與另一個實體或操作區(qū)分開來，而不一定要求或者暗示這些實體或操作之間存在任何這種實際的關系或者順序。而且，術語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設備所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，并不排除在包括所述要素的過程、方法、物品或者設備中還存在另外的相同要素。對所公開的實施例的上述說明，使本領域專業(yè)技術人員能夠實現(xiàn)或使用本發(fā)明。對這些實施例的多種修改對本領域的專業(yè)技術人員來說將是顯而易見的，本文中所定義的一般原理可以在不脫離本發(fā)明的精神或范圍的情況下，在其它實施例中實現(xiàn)。因此，本發(fā)明將不會被限制于本文所示的這些實施例，而是要符合與本文所公開的原理和新穎特點相一致的最寬的范圍。當前第1頁1 2 3